Detecção de anomalias em poços de produção de petróleo offshore com a utilização de autoencoders e técnicas de reconhecimento de padrões

• Ano de defesa: 2021
• Autor(a) principal: Nascimento, Rodrigo Scoralick Fontoura do
• Orientador(a): Barbosa, Bruno Henrique Groenner
• Banca de defesa: Ferreira, Danton Diego, Merschmann, Luiz Henrique de Campos, Santos, Murillo Ferreira dos
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Lavras
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia de Sistemas e Automação
• Departamento: Departamento de Engenharia
• País: brasil
• Palavras-chave em Português: Autoencoders; Detecção de falhas; Monitoramento de poços de petróleo; Séries temporais - Classificação multivariada; Validação cruzada; Reconhecimento de padrões; Fault detection; Monitoring of oil wells; Time series - Multivariate classification; Cross-validation; Pattern recognition
• Área do conhecimento CNPq: Automação Eletrônica de Processos Elétricos e Industriais
• Link de acesso: https://repositorio.ufla.br/handle/1/49556

O segmento de Exploração e Produção (E&P) offshore da indústria de Óleo & Gás é responsável pela maior parte da produção de petróleo e gás no Brasil. Devido ao elevado nível de complexidade nessa indústria, ela vem demandando novas tecnologias ao longo dos últimos anos. O presente trabalho tem como objetivo o desenvolvimento de sistemas para detecção e classificação de falhas (anomalias) em poços de produção de petróleo offshore baseados em autoencoders empilhados. Dois conjuntos de dados reais são considerados neste trabalho. O primeiro conjunto é de um poço operado com elevação artificial por gas lift, conjunto este obtido durante a execução deste trabalho. Já no segundo, são utilizados os dados de domínio público 3W dataset que foram coletados de poços de produção com elevação natural. Em poços com elevação artificial por gas lift, são aplicados autoencoders empilhados para redução de dimensionalidade e técnicas de reconhecimento de padrões como k-NN e Árvore de Decisão para uma falha desconhecida em um poço de petróleo. Após o desenvolvimento destes classificadores, parte dos valores de recall obtidos são superiores a 0.98, o que mostra a aplicabilidade do sistema proposto em detectar falhas em poços de produção não surgentes. Para poços surgentes, foram utilizados também os autoencoders empilhados para redução de dimensionalidade. Os dados após terem sido tratados foram utilizados como entradas para classificadores de apenas uma classe (one-class) como SVM e Floresta de Isolamento de forma a detectar anomalias no processo, como hidrato em linha de produção. Os resultados das médias F1 score correspondentes aos modelos utilizados são comparados com outros trabalhos da literatura, nos quais é observada uma melhora em relação às outras abordagens propostas. Os autoencoders foram eficazes na redução de dimensão em problemas de detecção e classificação de anomalias em poços de produção de petróleo offshore apresentando resultados satisfatórios.